ソーラーEV向け機械学習ベースMPPTと二次双方向DC-DCコンバータの統合

科学分野:

• 電気工学
• 再生可能エネルギーシステム
• 人工知能

背景:

• 環境への懸念の高まりは、電気自動車（EV）のような排出ガスのない輸送ソリューションを必要としています。
• ブラシ付きDC（BLDC）モーターはEVの効率に不可欠であり、太陽光発電（PV）システムのような再生可能エネルギー源（RES）からの安定した電力を必要とします。
• PVシステムは、負荷需要を満たすためにDC出力電圧が不十分であるという課題にしばしば直面します。

研究 の 目的:

• 太陽光発電EV向けの新しいDC-DCコンバータと高度な機械学習（ML）ベースの最大電力点追従（MPPT）コントローラを提案すること。
• PVシステムの電圧出力を改善し、最大電力抽出を保証すること。
• EVパワートレインの全体的なパフォーマンスとエネルギー管理を強化すること。

主な方法:

• PV電圧を低減されたストレスでブーストするために、二次双方向（QDE）DC-DCコンバータを設計しました。
• MPPTのために、ウミガメの採餌最適化された放射基底関数ニューラルネットワーク（STFO-RBFNN）を開発しました。
• PV、グリッド、バッテリーストレージ、双方向コンバータ、および3相電圧源インバータ（VSI）を統合したシステムをMATLAB/Simulinkでシミュレートしました。

主要な成果:

• 提案されたQDEコンバータは、電圧利得を改善し、電圧ストレスを低減しました。
• STFO-RBFNNコントローラは、PVシステムからの最大電力を効果的に追跡しました。
• 統合システムは大幅に強化されたパフォーマンスを示し、コンバータ効率95.43％、全高調波歪み（THD）1.14％を達成しました。

結論:

• 新しいコンバータとMLベースのMPPTコントローラは、太陽光発電EV向けの堅牢なソリューションを提供します。
• このシステムは、追加のソースを通じて効率的なエネルギー変換と柔軟なエネルギー管理を提供します。
• 提案された方法論は、持続可能な輸送のためのEVのパフォーマンスと信頼性の最適化における重要な進歩を表しています。